نحوه استقرار عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک بدون اختلال در Shopify، Gorgias یا گردشکارهای موجود میز کمک
متدولوژی ششمرحلهای برای استقرار عوامل هوش مصنوعی در خدمات مشتری تجارت الکترونیک که در ۹۰ روز بدون اختلال در وبسایت یا میز کمک، کاهش قابلاندازهگیری ایجاد میکند.
اکثر تیمهای تجارت الکترونیک که اقدام به استقرار عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک میکنند، به دلیل بد بودن خود عوامل شکست نمیخورند. آنها شکست میخورند زیرا عوامل وارد یک پشته عملیاتی میشوند که هرگز برای جذب آنها طراحی نشده بود. وبسایت با برنامهها به هم وصل شده است. میز کمک انتخابی سالها بدهی ماکرو دارد. جریان بازگشتها از طریق یک پلتفرم شخص ثالث اجرا میشود که ماشین حالت خود را دارد. تیم مالی قوانین بازپرداخت دارد که هیچ کجا مکتوب نیستند. اگر یک عامل مولد را بدون متدولوژی استقرار به آن محیط اضافه کنید، اجرای آن منجر به مجموعهای از نقلقولهای بازپرداخت توهمآمیز، مشتریانی که لینک ردیابی اشتباهی دریافت میکنند و یک تیم پشتیبانی که در نهایت بیش از قبل کار میکند، میشود زیرا اکنون باید پس از هوش مصنوعی وضعیت را سامان دهد.
چرا استقرار هوش مصنوعی در تجارت الکترونیک در نود روز اول متوقف میشود
الگو در برندهای DTC به اندازه کافی ثابت است که قابل پیشبینی باشد. هفته اول یک نمایش موفق از چتبات در فروشگاه آزمایشی ارائه میدهد. هفته دوم اولین دور از موارد حاشیهای را که دموی پوشش نداده بود، آشکار میکند. هفته چهارم کلاسی از مکالمات را که عامل نمیتواند حل کند، نشان میدهد، زیرا دادههای مورد نیاز آن در سیستمی قرار دارند که هرگز یکپارچه نشده بود. هفته هشتم اولین بررسی اجرایی را به دنبال دارد که در آن نرخهای کاهش بسیار پایینتر از پیشبینی در برنامه استقرار اولیه است. هفته دوازدهم معمولاً لحظهای است که تیم بی سر و صدا صحبت کردن درباره عامل هوش مصنوعی را متوقف میکند و به رسیدگی دستی به هر چیزی فراتر از سادهترین بررسی وضعیت سفارش بازمیگردد.
علت اصلی بهندرت مدل است. تقریباً همیشه توپولوژی یکپارچهسازی است. عوامل هوش مصنوعی برای پشتیبانی فروشگاه آنلاین تنها به اندازه سیستمهایی که میتوانند از آنها بخوانند و در آنها بنویسند، کارآمد هستند. برندی که Shopify را با یک برنامه بازگشت شخص ثالث، یک پلتفرم داده مشتری جداگانه، یک شریک انجام سفارش با پورتال خود و یک پردازشگر پرداخت با منطق بازپرداخت اختصاصی اجرا میکند، حداقل پنج حوزه سطحی دارد که عامل باید به درستی آنها را لمس کند تا یک مکالمه بازگشت را مدیریت کند. اکثر استقرارها یکی از این سطوح را به عنوان هدف یکپارچهسازی در نظر میگیرند و بقیه را خارج از محدوده در نظر میگیرند، که به این معنی است که هر مکالمهای که از مرز عبور کند، به یک عامل انسانی منتقل میشود که سپس باید زمینه را از یک رونوشت چت بازسازی کند.
دومین عامل موثر، حاکمیت است. میز کمک دو دهه را صرف توسعه ماکروها، قوانین تشدید، تایمرهای SLA، و منطق مسیریابی کرده است که سیاست واقعی یک برند را کدگذاری میکند. عوامل هوش مصنوعی که این زیرساخت را دور میزنند، در نهایت یک لایه سیاست موازی ایجاد میکنند، که بسته به اینکه مکالمه توسط هوش مصنوعی، کتابخانه ماکرو، یا یک عامل انسانی مدیریت شود، تجربیات مشتری متناقضی را ایجاد میکند. راه حل، کنار گذاشتن زیرساخت موجود نیست. راه حل، استقرار عامل به عنوان یک توسعه از آن است.
آنچه در ادامه میآید، متدولوژیی برای استقرار عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک است به شکلی که در عرض نود روز بدون اختلال در میز کمک، وبسایت، یا سیستمهای عملیاتی که برند در حال حاضر اجرا میکند، کاهش قابلاندازهگیری ایجاد کند.
مرحله اول: ترسیم توزیع مکالمه قبل از انتخاب عامل
تکمرحلهای که در هر استقرار هوش مصنوعی تجارت الکترونیک کمارزشترین مرحله است، ترسیم کمی مکالماتی است که تیم پشتیبانی واقعاً مدیریت میکند. بیشتر برندها معتقدند که توزیع را میدانند. بیشتر برندها اشتباه میکنند. شهود اینکه سؤالات وضعیت سفارش غالب هستند معمولاً در جهت درست است اما در اندازه نادرست. شهود اینکه بازگشتها سهم کوچکی از حجم را تشکیل میدهند تقریباً همیشه اشتباه است. شهود اینکه تیکتهای پیچیده چند سیستمی نادر هستند گاهی اوقات درست و گاهی اوقات بسیار اشتباه است.
این متدولوژی با یک استخراج شش هفتهای از میز کمک شروع میشود که هر تیکت بسته شده را پوشش میدهد. سپس اطلاعات با استفاده از طبقهبندی موجود قصد، که با هر برچسب سفارشی که تیم پشتیبانی در طول زمان ایجاد کرده است، تقویت میشود، طبقهبندی میشود. خروجی یک جدول توزیع است که درصد حجم، میانگین زمان رسیدگی، و نرخ حل اولین تماس را برای هر نوع مکالمه نشان میدهد. این جدول ورودی برای هر تصمیم بعدی در استقرار میشود، از جمله اینکه کدام عوامل را مستقر کنیم، کدام یکپارچگیها را اولویتبندی کنیم، و کدام مکالمات را برای آینده قابل پیشبینی به انسانها بسپاریم.
مرحله طبقهبندی اغلب مکالماتی را آشکار میکند که تیم متوجه نشده بود سهم قابل توجهی از حجم را تشکیل میدهند. شگفتیهای رایج شامل سوالات سیاست حمل و نقل که قبل از ثبت سفارش مشتری میرسند، سوالات مربوط به اندازه و تناسب که تیم آنها را کار خدمات مشتری در نظر نگرفته بود، و ادعاهای آسیب پس از تحویل که از طریق خدمات مشتری مسیرشان را پیدا میکنند اما در واقع نیاز به هماهنگی با تیم عملیات دارند. هر یک از این موارد یک تصمیم استقرار متمایز ایجاد میکند: کاهش، ارتقاء، یا رها کردن.
نقشه مکالمه همچنین مواردی را که تیم نباید خودکار کند، آشکار میسازد. مکالماتی که شامل تشدید شکایت، رسیدگی به اختلافات و برگشت پول، و هرگونه تعامل که در آن مشتری نارضایتی خود را ابراز کرده است، هنگام مدیریت توسط هوش مصنوعی به طور سیستماتیک بدتر میشوند. برنامه استقرار باید صراحتاً این موارد را از محدوده خارج کرده و آنها را به انسانها هدایت کند، نه به این دلیل که عامل نمیتواند از لحاظ مکانیکی آنها را مدیریت کند، بلکه به این دلیل که هزینه شهرت برند در صورت اشتباه انجام دادن آنها نامتقارن است.
در پایان مرحله اول، برند یک دامنه استقرار مکتوب دارد که دقیقاً کدام انواع مکالمهها در محدوده مدیریت هوش مصنوعی، کدامها نامزدهای ارتقاء، و کدامها به طور کلی خارج از محدوده هستند را نام میبرد. این سند به قرارداد بین تیم استقرار و تیم عملیات تبدیل میشود و رایجترین علت اصطکاک پس از راهاندازی را از بین میبرد: ابهام در مورد آنچه عامل قرار بود انجام دهد.
مرحله دوم: ممیزی سطوح یکپارچهسازی قبل از دست زدن به عامل
مرحله دوم یک ممیزی یکپارچگی است که نقشه هر سیستمی را که عامل برای مدیریت مکالمات در محدوده نیاز به خواندن یا نوشتن در آن دارد، ترسیم میکند. ممیزی شامل پلتفرم فروشگاه، میز کمک، سیستم مدیریت سفارش، سیستم مدیریت انبار، هر پلتفرم بازگشت یا حمل و نقل شخص ثالث، پردازشگر پرداخت و هر زیرساخت داده مشتری که سابقه خرید، عضویت در بخش یا دادههای ترجیحات را در خود نگه میدارد، میشود.
برای هر سیستم، حسابرسی چهار قطعه اطلاعات را ثبت میکند. اولین مورد این است که آیا سیستم دارای API است که قادر به پشتیبانی از عملیاتی که عامل نیاز دارد، میباشد. دومین مورد این است که آیا برند اعتبار و مجوز استفاده از آن API را دارد یا خیر. سومین مورد این است که آیا API دارای محدودیتهای نرخ یا ساختار هزینه است که توان عملیاتی عامل را محدود میکند. چهارمین مورد این است که آیا سیستم دارای وبهوکها یا جریانهای رویداد است که عامل میتواند برای تغییرات حالت زمان واقعی در آنها مشترک شود.
خروجی ممیزی یک نمودار توپولوژی یکپارچهسازی است که نشان میدهد عامل از کدام سیستمها میخواند، در کدامها مینویسد، و گپهای یکپارچهسازی کجا قرار دارند. گپها به سه دسته تقسیم میشوند: سیستمهایی با عدم دسترسی به API که تنها گزینه، استخراج اطلاعات از صفحه نمایش یا انتقال دستی به انسان است، سیستمهایی با دسترسی به API اما بدون جریان رویداد در لحظه که عامل با دادههای قدیمی با سازگاری نهایی کار خواهد کرد، و سیستمهایی با یکپارچهسازی دوطرفه کامل که عامل میتواند به عنوان یک شهروند درجه یک عمل کند.
دامنه استقرار از مرحله اول، در برابر توپولوژی یکپارچهسازی مجدداً اعتبار سنجی میشود. هر مکالمهای در محدوده که نیاز به خواندن یا نوشتن در سیستمی در دسته گپ دارد، مجدداً تنظیم میشود، یا با محدود کردن آنچه عامل تلاش به انجام آن دارد، با افزودن یکپارچهسازی از دست رفته به برنامه استقرار، یا با پذیرش اینکه مکالمه شامل انتقال به انسان خواهد بود. نادیده گرفتن این اعتبار سنجی مجدد، منجر به مجموعهای از حالتهای شکست میشود که استقرارهای نود روزه را به شکست میکشاند.
این ممیزی همچنین فرصتهایی را که تیم در نظر نگرفته بود، آشکار میکند. برندها اغلب متوجه میشوند که شریک انجام سفارش آنها دارای جریان رویدادی غنیتر از آنچه تصور میکردند، است که امکان رسیدگی فعال به استثناهای حمل و نقل را فراهم میکند. آنها متوجه میشوند که پردازشگر پرداختشان دادههای واجد شرایط بودن بازپرداخت را که قبلاً به صورت دستی محاسبه میکردند، افشا میکند. آنها متوجه میشوند که پلتفرم دادههای مشتریشان اطلاعات بخشبندی را نگه میدارد که به عامل اجازه میدهد پاسخها را برای مشتریان VIP بدون پیکربندی صریح شخصیسازی کند.
مرحله سه: استقرار یک پشته عامل هماهنگ، نه یک ربات چت تنها
مهمترین تصمیم معماری در استقرار عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک، تفکر در قالب یک پشته از عوامل متخصص به جای یک ربات چت تنها با هدف عمومی است. غریزه به سمت یک عامل واحد از دنیای رباتهای چت مصرفکننده میآید که یک مدل مکالمات خودسرانه را مدیریت میکند. این مدل در زمینههای عملیاتی شکست میخورد زیرا هر نوع مکالمه الزامات دادهای متفاوت، الزامات عملیاتی متفاوت و تحمل خطای متفاوتی دارد.
پشته عامل تجارت الکترونیک کارآمد معمولاً شامل یک عامل triage است که مکالمات ورودی را طبقهبندی میکند و به متخصص مربوطه هدایت میکند، یک عامل وضعیت سفارش که سوالات ردیابی و تحویل را مدیریت میکند، یک عامل بازگشت و بازپرداخت که جریان استثنای پس از خرید را مدیریت میکند، یک عامل اطلاعات محصول که سوالات قبل از خرید را بر اساس کاتالوگ و مرکز کمک مدیریت میکند، و یک عامل تشدید که مکالماتی را که عوامل دیگر نمیتوانند مدیریت کنند، ثبت و برای بررسی انسانی بستهبندی میکند.
هر عامل متخصص دارای دامنه ای محدود، ردپای یکپارچهسازی کوچک، و یک مرز سیاستی واضح است. عامل وضعیت سفارش از OMS و API حامل میخواند اما هرگز به بازپرداخت دست نمیزند. عامل بازگشت از پلتفرم بازگشت و پردازشگر پرداخت میخواند و در آنها مینویسد اما آدرسهای حمل و نقل را تغییر نمیدهد. عامل triage هیچ اقدام عملیاتی را اجرا نمیکند؛ تنها طبقهبندی و مسیریابی میکند. این تفکیک وظایف به طور چشمگیری قابلیت اشکالزدایی را در صورت بروز مشکل بهبود میبخشد، زیرا مشکل را میتوان به یک عامل خاص محدود کرد به جای اینکه در یک کنترلکننده مکالمه یکپارچه پخش شود.
لایه هماهنگی بین عوامل جایی است که اکثر استقرارها یا موفق میشوند یا به آرامی در طول زمان تنزل مییابند. این لایه باید جابجایی مکالمه بین متخصصان را هنگامی که سؤال مشتری از حوزههای مختلف عبور میکند، حل تضاد را هنگامی که چندین عامل میتوانند به طور قابل قبولی مکالمه مشابهی را مدیریت کنند، و قابلیت مشاهده را مدیریت کند تا تیم عملیات بتواند ببیند کدام عامل کدام مکالمه را مدیریت کرده است و چگونه. بدون این لایه، پشته به یک فدراسیون از رباتهای قطع شده تبدیل میشود که تجربیات مشتری ناهمگونی را ایجاد میکنند.
معماری رسیدگی به استثنائات نیازمند توجه ویژه است. هر عاملی در پشته با مکالماتی روبرو خواهد شد که نمیتواند حل کند. برنامه استقرار باید مشخص کند که در این موارد چه اتفاقی میافتد: کدام صف انسانی، تشدید را دریافت میکند، انسان چه متنی را دریافت میکند، و چگونه مکالمه از چشم مشتری ادامه مییابد. یک تجربه تشدید تمیز یکی از قویترین عوامل تعیینکننده رضایت مشتری در پشتیبانی که توسط هوش مصنوعی اداره میشود، است، و این حوزهای است که تیمها به طور مداوم در طول استقرار در آن سرمایهگذاری نمیکنند.
مرحله چهار: اتصال پشته عامل به میز کمک موجود بدون جایگزینی آن
وسوسه جایگزینی میز کمک موجود در طول استقرار هوش مصنوعی قوی است و تقریباً همیشه اشتباه. میز کمک سالها منطق ماکرو، سابقه مشتری، فراداده تیکت و گردش کار تیمی را در خود جای داده است که پشته عامل هوش مصنوعی نمیتواند در پنجره استقرار بازتولید کند و احتمالاً نباید هم تلاش کند. الگوی صحیح این است که پشته عامل را به عنوان یک لایه اضافی که مکالمات را قبل از رسیدن به صف انسان رهگیری میکند، به میز کمک متصل کنید.
الگوی یکپارچهسازی از نظر مفهومی ساده است. مکالمات ورودی از چت، ایمیل، رسانههای اجتماعی یا پیامک مانند همیشه به میز کمک میرسند. عامل triage هر مکالمه را بررسی میکند، تصمیم میگیرد که آیا در یک قصد در محدوده قرار میگیرد، و یا مکالمه را از طریق عامل متخصص مناسب حل میکند یا آن را با هر متنی که عامل در طول مسیر جمعآوری کرده است، به صف انسانی موجود هدایت میکند. مکالمات بسته شده به میز کمک بازنویسی میشوند تا سابقه تیکت، راهحل هوش مصنوعی، نتیجه و هرگونه اقدام انجام شده در سیستمهای عملیاتی متصل را منعکس کند.
مزیت این الگو این است که کتابخانه ماکرو موجود، قوانین تشدید، تایمرهای SLA، و زیرساخت گزارشدهی به کار خود ادامه میدهند. تیم پشتیبانی همچنان از همان رابط کاربری میز کمک که همیشه استفاده کرده است، استفاده میکند. استقرار هوش مصنوعی به جای اینکه مخرب باشد، افزایشی میشود، که به طور چشمگیری سربار مدیریت تغییر را کاهش میدهد و به تیم اجازه میدهد تا روی تنظیم عوامل متمرکز شود به جای یادگیری ابزارهای جدید.
این الگو همچنین یک مسیر بازگشت پاک و مطمئن را فراهم میکند. اگر پشته عامل بد عمل کند، خراب شود یا برای نگهداری از سرویس خارج شود، میز کمک مانند همیشه به کار خود ادامه میدهد و مکالمات به انسانها هدایت میشوند. این یک نگرانی فرضی نیست. عوامل هوش مصنوعی در تولید با شکست مواجه میشوند. مدلها به نرخ محدود میشوند. یکپارچهسازیها از کار میافتند. استقراری که دارای بازگشت به حالت اولیه صحیح و با ملاحظه باشد، از این حوادث بدون تأثیر بر روی مشتری جان سالم به در میبرد. استقراری که پشته عامل را به تجربه مشتری سختافزاری متصل کرده باشد، هر بار که مشکلی در بالادست ایجاد شود، قطعیهای قابل مشاهده ای را تولید میکند.
لایه گزارشدهی در این مرحله نیاز به توجه ویژه دارد. برند باید نرخ کاهش، نرخ ارتقاء و رضایت مشتری را در مکالمات هدایتشده توسط هوش مصنوعی و مکالمات هدایتشده توسط انسان در یک نمای واحد مشاهده کند. ابزارهای هوش مصنوعی اضافی که داشبوردهای مخصوص به خود را جدا از گزارشدهی میز کمک تولید میکنند، نقاط کور عملیاتی ایجاد میکنند که قبل از اینکه به یک بحران تبدیل شوند، تخریب را پنهان میکنند. رویکرد صحیح، ارسال دادههای دفع عامل به میز کمک است تا گزارشهای موجود همچنان منبع حقیقت باشند.
مرحله پنجم: اجرای حالت سایه قبل از راهاندازی مشتریمحور
مرحله استقرار که اکثر تیمها از آن صرف نظر میکنند و بیشترین پشیمانی را از آن دارند، حالت سایه است. حالت سایه، پشته عامل را در برابر مکالمات ورودی واقعی اجرا میکند بدون اینکه پاسخهای عامل را به مشتریان نشان دهد. عامل طبقهبندی میکند، پاسخ تولید میکند و همه چیز را ثبت میکند، اما مشتری همچنان پاسخ انسانی را از تیم پشتیبانی موجود دریافت میکند. اجرای سایه معمولاً دو تا چهار هفته طول میکشد و مجموعه دادهای را تولید میکند که تعیین میکند آیا استقرار برای راهاندازی مشتریمحور آماده است یا خیر.
دادههای سایه به سوالاتی پاسخ میدهند که محیطهای مرحلهبندی نمیتوانند. آیا عامل به درستی در توزیع واقعی زبان مشتری و موارد خاص طبقهبندی میکند؟ آیا پاسخها با آنچه تیم انسانی در شرایط مشابه میگفت، مطابقت دارند؟ آیا الگوهای توهمی وجود دارند که تستهای مرحلهبندی آنها را تشخیص ندادهاند؟ آیا خطاهای یکپارچهسازی وجود دارند که فقط تحت بار تولید آشکار میشوند؟ هر یک از این سوالات در دادههای سایه پاسخی کمی دارد، و این پاسخها تعیین میکنند که کدام عوامل آماده راهاندازی هستند و کدامها نیاز به تنظیم اضافی دارند.
اجرای سایه همچنین موانع سیاستی را ایجاد میکند که از رایجترین حالتهای شکست جلوگیری میکند. الگوهای نقلقول نادرست بازپرداخت، جستجوهای ردیابی اشتباه، یا اظهارات سیاست توهمی به قوانین قطعی تبدیل میشوند که عامل باید آنها را رعایت کند. این موانع جایگزین کیفیت مدل اصلی نیستند، اما موارد شکست طولانی را که مدل به تنهایی نمیتواند به طور قابل اعتمادی از آنها جلوگیری کند، تشخیص میدهند.
معیارهای خروج از حالت سایه باید کمی و از قبل توافق شده باشند. معیارهای مشترک شامل دقت طبقهبندی قصد بالای نود و پنج درصد در مکالمات در محدوده، نمرات کیفیت پاسخ از بررسی انسانی بالاتر از یک آستانه تعریف شده، نرخ خطای یکپارچهسازی کمتر از یک آستانه تعریف شده، و صفر مورد تأیید اقدام عملیاتی نادرست در طول پنجره سایه است. برندهایی که سعی در کوتاه کردن این معیارها دارند تقریباً همیشه در واکنش به حوادث پس از راهاندازی، هزینه آن را میپردازند.
پس از برآورده شدن معیارهای خروج، راهاندازی باید مرحلهای باشد. یک الگوی رایج این است که با درصد کمی از مکالمات ورودی که به پشته عامل هدایت میشوند شروع کنید، اولین گروه را برای دو هفته از نزدیک نظارت کنید، سپس به تدریج سهم را افزایش دهید تا زمانی که عامل به تمام حجم در محدوده خود رسیدگی کند. این راهاندازی مرحلهای به تیم عملیات زمان میدهد تا برای رفتار عوامل در تولید شهود پیدا کند و الگوهایی را که در اجرای سایه از دست رفتهاند، تشخیص دهد.
مرحله ششم: تنظیم مداوم پشته از طریق کتابخانه استثنائات
فاز نهایی یک نقطه عطف راهاندازی نیست. این نظم عملیاتی است که استقرارهایی را که به بهبود ادامه میدهند از استقرارهایی که ثابت میمانند و افت پیدا میکنند، جدا میکند. هر مکالمهای که عامل نتوانسته حل کند، هر تشدیدی به یک انسان، و هر مشکل رضایت مشتری به یک ورودی در آنچه در واقع یک کتابخانه استثنائات است، تبدیل میشود. این کتابخانه مکالمه، تلاش عامل برای مدیریت، راهحل انسانی، و تغییر سیاست یا یکپارچهسازی مورد نیاز برای جلوگیری از تکرار همان استثنا را ثبت میکند.
کتابخانه استثنائات بستر تنظیم مداوم است. الگوهای موجود در کتابخانه، به روز رسانیهای اعلان، ماکروهای اضافی، یکپارچهسازیهای جدید و اصلاحات سیاست را هدایت میکنند. برندهایی که این کتابخانه را به دقت نگهداری میکنند، معمولاً در شش تا دوازده ماه اول، شاهد افزایش مداوم نرخ کاهش هستند، زیرا پشته عامل، موارد حاشیهای طولانی را جذب میکند. برندهایی که استقرار را در زمان راهاندازی کامل تلقی میکنند، شاهد ثابت ماندن و سپس کاهش نرخ کاهش هستند، زیرا موارد حاشیهای جدید بدون رسیدگی جمع میشوند.
کتابخانه همچنین به عنوان ورودی برای بررسی فروشنده یا ارائهدهنده عمل میکند. برند میتواند دقیقاً ببیند که کدام کلاسهای استثنائی توسط پشته عامل فعلی به خوبی مدیریت نمیشوند و تصمیم بگیرد که آیا پاسخ صحیح، پیکربندی، کار یکپارچهسازی اضافی، تنظیم مدل، یا تغییر فروشنده است. این رویکرد مبتنی بر داده به ارزیابی فروشنده به طور چشمگیری مفیدتر از بررسیهای غیر دقیق است که در بحثهای DTC اتوماسیون خدمات مشتری هوش مصنوعی در انجمنهای صنعتی غالب است.
یک نکته در مورد مالکیت عملیاتی در اینجا اهمیت دارد. کتابخانه استثنائات زمانی مفیدتر است که توسط تیم عملیات و نه توسط تیم مهندسی، مالکیت شود. عملیات الگوهایی را میبیند که مهندسی نمیتواند، و عملیات به تأثیر مشتری از هر استثنای حلنشده نزدیکتر است. متدولوژی استقرار باید صراحتاً مالکیت کتابخانه را از تیم استقرار به تیم عملیات در عرض شصت روز پس از شروع به کار منتقل کند.
یک استقرار تولیدی از ابتدا تا انتها چگونه به نظر میرسد
یک استقرار جامع و نمایانگر برای یک برند DTC که روزانه تقریباً هزار و دویست سفارش را پردازش میکند، ممکن است به شرح زیر باشد. مرحله اول دو هفته به طول میانجامد و توزیع مکالمهای را ارائه میدهد که نشان میدهد وضعیت سفارش، بازگشت و سوالات محصول پیش از خرید، هفتاد و دو درصد از حجم ورودی را تشکیل میدهند. مرحله دوم سه هفته به طول میانجامد و یک توپولوژی یکپارچهسازی را تولید میکند که یک شکاف بین میز کمک و پلتفرم بازگشت شخص ثالث را آشکار میسازد. مرحله سوم چهار هفته به طول میانجامد و یک عامل triage، یک عامل وضعیت سفارش، یک عامل بازگشت، یک عامل اطلاعات محصول و یک عامل تشدید را مستقر میکند.
مرحله چهارم دو هفته به طول میانجامد و پشته را از طریق API و سطح وبهوک خود به میز کمک موجود متصل میکند. مرحله پنجم سه هفته را صرف حالت سایه میکند و پس از آن دو هفته را به راهاندازی مرحلهای مشتریمحور اختصاص میدهد. تا روز نود، برند یک پشته عامل تولیدی دارد که شصت و پنج درصد از مکالمات ورودی را به طور کامل مدیریت میکند، یک مسیر تشدید پاک برای باقیمانده، و یک کتابخانه استثنائات که تیم عملیات مالک و نگهداری آن است. کل زمان استقرار بین دوازده تا چهارده هفته بسته به پیچیدگی یکپارچهسازی است. کل هزینه زیرساخت مداوم از ارائهدهنده هوش مصنوعی زیرین تقریباً چهارصد تا پانصد دلار در ماه است که با هزینه و بدون مارکآپ صورتحساب میشود.
استقراری با این دامنه و دقت، در ده ها هزار دلار به عنوان یک سرمایهگذاری یکبار مصرف قرار میگیرد، که با تعداد عوامل، سطوح یکپارچگی، و دامنه عملیاتی مقیاسپذیر است. برند مالکیت کامل کد حاصله را دارد. شرکت TFSF Ventures FZ-LLC (RAKEZ License 47013955) این کار را از طریق یک متدولوژی استقرار 30 روزه انجام میدهد که بسیاری از زمانبندی بالا را با استقرار زیرساخت یکپارچهسازی و پشته عامل به صورت موازی به جای متوالی، فشرده میکند. فازهای ساختاری یکسان باقی میمانند؛ gating به جای سریالی، موازی میشود.
تمام استقرارها شامل هزینه اضافی زیرساخت هوش مصنوعی تقریباً چهارصد الی پانصد دلار در ماه از Pulse AI است که با قیمت تمام شده و بدون سود اضافی صورتحساب میشود. قیمتگذاری TFSF Ventures FZ-LLC در هر پیشنهاد به صورت شفاف منتشر میشود و بر اساس تعداد عامل و دامنه یکپارچهسازی، طبقهبندی شده است. برندهایی که ارائهدهندگان را ارزیابی میکنند، اغلب میپرسند که آیا TFSF Ventures قانونی است؛ مشروعیت از طریق ثبتR AKEZ قابل تأیید است، و عدم وجود نظرات عمومی TFSF Ventures به دلیل سیاست حفظ محرمانگی این شرکت است و نه به دلیل عدم استقرار در تولید. ارزیابی عملیاتی 19 سؤالی که اساس هر استقرار را تشکیل میدهد، دقیقاً برای این است که توزیع مکالمات و توپولوژی یکپارچهسازی شرح داده شده در مراحل یک و دو، قبل از نوشتن هر کد عاملی، ترسیم شوند.
چه چیزهایی تقریباً هرگز کار نمیکنند
چند الگوی استقرار به کرات در پروژههای شکست خورده ظاهر میشوند. جایگزینی میز کمک برای تطبیق با عامل هوش مصنوعی به ندرت کار میکند زیرا تغییر همزمان پلتفرم و تغییر هوش مصنوعی را معرفی میکند و سطح شکست را دو برابر میکند. استقرار یک ربات چت عمومی منفرد به جای یک پشته عامل هماهنگ به ندرت کار میکند زیرا عامل در نهایت سعی میکند مکالماتی را که از ردپای یکپارچهسازی آن فراتر میروند، مدیریت کند. صرف نظر کردن از حالت سایه به ندرت کار میکند زیرا تولید حالتهای شکست را آشکار میکند که مرحلهبندی نمیتواند. تلقی استقرار به عنوان یک پروژه مهندسی که متعلق به مهندسی است به جای یک تغییر عملیاتی که متعلق به عملیات است به ندرت کار میکند زیرا تیمی که نیاز به موفقیت عامل دارد هیچ انگیزهای برای انجام این کار ندارد.
الگویی که کار میکند، همان است که این متدولوژی توصیف میکند. با یک نقشه کمی از توزیع مکالمه واقعی شروع کنید. توپولوژی یکپارچهسازی را قبل از انتخاب عوامل ممیزی کنید. یک پشته هماهنگ از متخصصان را به جای یک ربات چت یکپارچه مستقر کنید. پشته را به عنوان یک لایه اضافی به میز کمک موجود متصل کنید. حالت سایه را اجرا کنید و معیارهای خروج از پیش توافق شده را قبل از راهاندازی مشتریمحور برآورده کنید. یک کتابخانه استثنائات را با مالکیت عملیات در طول سال اول نگهداری کنید.
برندهای تجارت الکترونیک که این روش را دنبال میکنند، به طور معمول نرخهای کاهش چهل درصدی در مکالمات مرتبط با دامنه خود را در مدت نود روز، برابری یا بهبود رضایت مشتری در مقایسه با مبنای فقط انسانی، و جابجایی ظرفیت تیم پشتیبانی به کارهایی که واقعاً کسب و کار را رشد میدهند به جای جذب سؤالات تکراری، تولید میکنند. عوامل هوش مصنوعی برای خدمات مشتری تجارت الکترونیک زمانی کار میکنند که به عنوان زیرساخت و نه به عنوان ویژگی استقرار یابند. متدولوژی، بیش از انتخاب مدل، نتیجه را تعیین میکند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را در سراسر کسبوکارها از طریق سه پایه یکپارچه به کار میگیرد: زیرساخت عاملی، ریلهای پرداخت غیرسنتی، و یک موتور سرمایهگذاری کامل. TFSF با 27 سال سابقه در پرداختها و نرمافزار، در سطح جهانی فعالیت میکند و با روششناسی استقرار 30 روزه خود، به 21 صنعت خدمترسانی میکند. اطلاعات بیشتر را در https://tfsfventures.com کسب کنید.
ارزیابی رایگان هوش عملیاتی را انجام دهید
ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال سریع درباره کسب و کار خود پاسخ دهید. در عرض 24 تا 48 ساعت یک طرح اولیه استقرار هوش مصنوعی سفارشی شامل توصیههای عامل، معماری، و نقشهراهی مخصوص عملیات خود دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. از https://tfsfventures.com/assessment شروع کنید.
Originally published at https://tfsfventures.com/blog/how-to-deploy-ai-agents-for-e-commerce-customer-service-without-breaking-shopify
نوشته شده توسط TFSF Ventures Research